选股因子系列研究（八十八）：多颗粒度特征的深度学习模型，探索和对比

请务必阅读正文之后的信息披露和法律声明 [Table_MainInfo] 金融工程研究 证券研究报告 金融工程专题报告 2023 年 9 月 11 日 [Table_Title] 相关研究 [Table_ReportInfo] 《选股因子系列研究（七十九）——用注意力机制优化深度学习高频因子》2022.05.24 《选股因子系列研究（八十六）——深度学习高频因子的特征工程》2023.01.24 《选股因子系列研究（八十七）——高频与日度量价数据混合的深度学习因子》2023.05.13 [Table_AuthorInfo] 分析师:冯佳睿 Tel:(021)23219732 Email:fengjr@haitong.com 证书:S0850512080006 分析师:袁林青 Tel:(021)23212230 Email:ylq9619@haitong.com 证书:S0850516050003 选股因子系列研究（八十八）——多颗粒度特征的深度学习模型：探索和对比 [Table_Summary] 投资要点： 在本系列的前期报告中，我们分别单独使用低频和高频特征作为输入，训练得到了深度学习因子。并在接近 2 年的样本外跟踪期内，观察到了稳定优异的业绩表现。但是随着研究和交流的深入，新的问题也产生了。由于不同频率数据的存在，同一个特征可在多个频率上计算。那么，它们包含的信息是完全一样的，还是互有增益呢？为此，本文探索和对比了几类多颗粒度模型，并提出了一些行之有效的改进方案。  从单颗粒度模型到多颗粒度模型。尽管使用单一的日度特征已经可以实现不俗的业绩，但更细颗粒度的特征依然有值得挖掘的有效信息。因此，本文引入了两类多颗粒度模型。（1）“多颗粒度输入，一次性训练”：将不同颗粒度的特征均作为模型输入，并通过独立的 GRU 提取序列信息；随后，将 GRU 的输出结果合并，再通过 MLP 得到最终的输出。（2）“单颗粒度训练，输出集成”：单独训练每一个颗粒度的特征，输出对标签的预测；在最终的推理阶段，集成不同颗粒度模型的输出。  在不同标签长度、调仓周期和成交价格假设下，多颗粒度模型的 Rank IC 和年化多头超额收益，相比单颗粒度模型都得到了不同程度的提升。整体而言，输出集成方式的效果最好，10 日标签对应的费前年化超额收益可达 31.5%。  双向 AGRU 多颗粒度模型。为缓解早期重要信息的遗忘问题，我们不仅引入了注意力机制，还将 GRU 模型从单向改为双向。即，分别按顺序和逆序学习特征序列，并提取信息。和传统的单向 GRU 相比，双向 AGRU 多颗粒度模型的 Rank IC、ICIR 和多头超额收益都得到了全面而稳定的提升。具体地，周均 Rank IC 超过 0.12，Top10%和 Top100 组合的费前多头超额收益分别为 33%和 40%。  微 软 亚 研 院 在 《 Multi-Granularity Residual Learning with Confidence Estimation for Time Series Prediction》一文中，提出了多颗粒度残差学习网络。其核心理念是，将多个相同的模块叠加，形成整体网络架构，但每个模块只单独处理一个颗粒度的数据。从第二个模块起，输入的特征都需通过取残差的方式，剔除前一颗粒度已包含的信息，即，只保留该粒度特有的信息。每个模块都会输出该颗粒度下，对最终标签的预测。再将所有预测集成，作为最终的预测。  将双向 AGRU 多颗粒度模型的输出值作为股票的收益预测，构建周度调仓的中证 500 和中证 1000 AI 增强组合。2017.01-2023.07，无成分股约束时，中证 500和中证 1000 AI 增强组合分别取得 15%-20%和 25%-30%的年化超额收益。其中，2023 年的 YTD 超额收益分别为 10%-16%和 15%-18%。添加 80%成分股权重约束后，两个组合的超额收益分别下降 5%-6%和 2%-3%，至 10%-15%和23%-27%。  风险提示。市场系统性风险、资产流动性风险、政策变动风险、因子失效风险。 金融工程研究 金融工程专题报告 2 请务必阅读正文之后的信息披露和法律声明 目 录 1. 单颗粒度模型 ............................................................................................................ 5 2. 多颗粒度模型 ............................................................................................................ 6 3. 双向 AGRU 多颗粒度模型 ......................................................................................... 7 4. 多颗粒度残差学习网络 ............................................................................................ 11 5. AI 指数增强组合 ...................................................................................................... 12 5.1 中证 500 AI 增强组合 ..................................................................................... 12 5.2 中证 1000 AI 增强组合 ................................................................................... 13 6. 总结 ......................................................................................................................... 15 7. 风险提示 .................................................................................................................. 15 rQxOpNoRpOoOsRrNoQrOsOaQcMaQoMrRnPoNfQrRwPjMrQyR7NoPrMvPqMsPNZnMtQ